《人工智能导论》教学设计 第6章 深度学习-教案

人工智能通识课教学设计课程名称：人工智能通识课授课年级：大二各年级授课学期：2026-2027学年第1学期教师姓名：任课教师专业类别：理工科（非计算机类）上课地点：多媒体教室总学时：48学时（理论16+实验32）使用教材：人工智能导论日期：2026年09月教案正文课题名称第6章深度学习计划学时3学时内容分析本章聚焦深度学习三大主流架构，从CNN图像识别到RNN文本处理再到Transformer革命。

内容涵盖深度学习三大驱动力（ImageNet数据/GPU算力/算法创新）、

CNN两大核心设计（局部连接+权值共享）与LeNet-5逐层详解、

RNN序列建模与"文本填空"实例推导、LSTM三门控机制、Seq2Seq编码器-解码器架构、

Transformer自注意力机制与多头注意力、迁移学习两大策略、

国产深度学习框架（PaddlePaddle/MindSpore/PyTorch/TensorFlow）对比。

本章从技术演进（CNN→RNN→Transformer）切入，帮助学生建立深度学习的全景认知。思政融入通过展示国产AI芯片（华为昇腾）和国产框架的发展，增强对我国AI基础设施自主可控的信心；

通过迁移学习"站在巨人肩膀上"的理念，引导学生善用开源成果、回馈开源社区；

"深度学习并非魔法"——通过能力边界的讨论，培养理性、批判的技术观。一、教学目标及基本要求【知识目标】·理解深度学习的定义与三大驱动力（ImageNet大数据/GPU算力/算法创新），以及CNN/RNN/Transformer的基本原理；·掌握CNN两大核心设计思想——局部连接与权值共享，及其带来的平移不变性优势；·理解RNN/LSTM处理序列数据的"记忆"机制，以及Transformer自注意力机制的核心思想；·了解迁移学习的基本概念与策略，以及国产深度学习框架（PaddlePaddle/MindSpore等）的发展现状。【能力目标】·能够以LeNet-5为例，逐层说明CNN在图像识别任务中的特征提取与分类流程；·能够通过"文本填空"实例，推导RNN如何利用历史信息预测下一个词；·具备初步的迁移学习意识，理解何时可以"站在巨人肩膀上"复用预训练模型。【素养目标】·通过深度学习从规则驱动→数据驱动→自动特征学习的演进，培养"技术迭代、持续突破"的创新精神；·了解国产深度学习框架的发展，增强对我国AI基础设施自主可控的信心；·树立"深度学习并非魔法"的理性认知——它仍是对数据的统计拟合，有明确的能力边界。二、教学重点、难点与教学方式教学重点1.CNN的两大核心设计（局部连接+权值共享）与LeNet-5逐层结构分析；

2.RNN的序列处理机制——"我→今天→去→___→存钱"文本填空推导过程；

3.Transformer自注意力机制的核心思想与"编码器-解码器"架构；

4.迁移学习的基本策略与国产深度学习框架对比。教学难点1.CNN局部连接+权值共享如何实现平移不变性——不同位置学习相同的特征；

2.RNN的梯度消失问题与LSTM的"门控"解决机制；

3.自注意力机制（Self-Attention）的直观理解——每个词"关注"句子中所有其他词。教学方式教师课堂讲授为主，通过大量可视化图示（LeNet-5逐层特征图、RNN展开图、Transformer注意力热力图）辅助理解；

通过"文本填空"实例推导，让学生在具体数字计算中体会RNN的工作原理；

安排课堂讨论，引导学生对比CNN/RNN/Transformer各自最适合的任务类型。三、教学过程第一课时（深度学习概述与CNN卷积神经网络）1.创设情境，导入新课(1)教师展示：人脸解锁手机、自动驾驶识别交通标志、AlphaGo下围棋——这些"神操作"背后都是深度学习。(2)教师提问："第5章学的MLP也能识别手写数字——但为什么它不适合处理大尺寸图像？"引出全连接层的参数量爆炸问题。(3)明确学习目标：理解DL为何能"深度"学习，掌握CNN如何高效处理图像。2.进行重点知识的讲解（1）深度学习的三大驱动力大数据（ImageNet——深度学习的"启蒙教材"）：2009年发布，包含1400万+张标注图片，覆盖2万+类别，为DL训练提供了"燃料"。GPU并行算力："CPU像一位教授（擅长复杂逻辑但只有一人），GPU像一支中学生队伍（每个人简单但人多力量大）"——GPU成百上千个核心适合矩阵运算，让训练从"数月"缩短到"数天"。算法创新：Hinton2012年深度学习的突破、ReLU解决梯度消失、BatchNormalization加速训练、Dropout防止过拟合——每一次算法创新都推动了性能飞跃。（2）CNN两大核心设计思想问题：全连接MLP处理100×100像素图像需要784×(隐藏层神经元数)个参数，参数量爆炸且无法利用图像空间结构。局部连接（LocalConnectivity）：每个神经元只连接输入的一小块区域（卷积核/感受野），大幅减少参数。类比：识别人脸时不需要看整张脸，先看眼睛、再看鼻子——"局部感知"。权值共享（WeightSharing）：同一个卷积核在整个图像上"滑动"时使用同一组权重，检测相同特征（如边缘）出现在哪里都行。这就是CNN的"平移不变性"——无论数字"8"在图像中间还是角落，CNN都能认出来。（3）LeNet-5逐层详解——经典CNN架构层名称操作输入尺寸输出尺寸功能说明输入层28×28灰度图28×28×128×28×1原始手写数字图像C1卷积层6个5×5卷积核28×28×128×28×6提取低级特征（边缘/角点）S2池化层2×2平均池化28×28×614×14×6降采样，减少计算量，保留主要特征C3卷积层16个5×5卷积核14×14×610×10×16提取更高级特征（形状/部件）S4池化层2×2平均池化10×10×165×5×16进一步降采样C5全连接120个神经元5×5×16→400120将特征图展平并全连接F6全连接84个神经元12084高层语义表示输出层10个神经元+Softmax8410输出0-9的概率分布池化层的作用：在保留重要特征的前提下缩小特征图尺寸，降低计算量（"重要信息保留，不重要信息丢弃"）。3.归纳总结，布置课后作业(1)课堂小结：三大驱动力→CNN两大设计（局部连接+权值共享）→LeNet-5逐层结构。(2)随堂练习：如果用全连接MLP处理100×100的彩色图像（3通道），输入层有多少个参数？如果用3×3的卷积核（16个），第一层有多少个参数？对比说明CNN的优势。(3)课后作业：画出LeNet-5的完整结构图，标注每层的输入/输出尺寸；预习6.2节RNN。第二课时（RNN循环神经网络与LSTM）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：三大驱动力、CNN局部连接+权值共享、LeNet-5。(2)引出问题："CNN处理图像很厉害，但如果给你一句话（我今天去银行___存钱），CNN能填对空格吗？"引出序列数据问题。2.进行重点知识的讲解（1）为什么需要RNN——序列数据的特点序列数据的本质：前后信息相互关联，不能孤立理解。"我今天去银行___存钱"——空白处可能是"办理"或"取钱"或"存钱"，但从"存钱"可以推断是"存钱"（这里体现为前后文的关联依赖）。传统网络的问题：MLP和CNN假设输入之间独立，无法捕捉"前一个词影响后一个词"的时序依赖。（2）RNN的核心机制——"记忆"与"循环"核心思想：每个时刻不仅接收当前输入，还接收上一时刻的"记忆"（隐藏状态h_t-1）——h_t=f(W·x_t+U·h_t-1+b)。这样，网络就"记住"了之前看到的内容。"文本填空"实例推导——以"我→今天→去→银行→存钱"逐步计算RNN在每个时刻的隐藏状态变化，让学生直观感受信息如何在时序中累积。RNN的问题：长序列时，早期的信息经过多次乘法运算逐渐"衰减消失"——这就是"梯度消失"问题。比如"我___年前去过___"，中间隔了50个词，RNN很难关联"我"和"去过"。（3）LSTM——"长短期记忆"解决长依赖LSTM引入三个"门"（Gate）：①遗忘门——决定丢弃哪些旧信息；②输入门——决定存储哪些新信息；③输出门——决定输出哪些信息。类比：就像记笔记——遗忘门=擦掉不重要的内容，输入门=写上新的关键信息，输出门=从笔记中提取回答问题所需的内容。（4）编码器-解码器与Seq2Seq架构：编码器（Encoder）将整个输入序列压缩为一个"上下文向量"→解码器（Decoder）从这个向量中逐个生成输出。经典应用：机器翻译——"Iloveyou"→编码器→上下文向量→解码器→"我爱你"。3.归纳总结，布置课后作业(1)课堂小结：序列数据特点→RNN循环记忆→文本填空推导→长依赖问题→LSTM三门控机制→Seq2Seq架构。(2)随堂练习：在"我→今天→去→银行→存钱"的文本填空任务中，请逐时刻写出RNN的输入和隐藏状态变化（使用教材中的公式）。(3)课后作业：阅读教材6.3节Transformer和6.4节迁移学习。第三课时（Transformer、迁移学习与国产框架）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：RNN序列处理→LSTM三门控→Seq2Seq架构。(2)引出问题："RNN处理序列有先后顺序，无法并行计算——有没有更好的方法？"引出Transformer。2.进行重点知识的讲解（1）Transformer——"注意力就是一切"核心突破：抛弃RNN的"串行"处理方式，所有词的输入"同时"进入网络，通过自注意力机制让每个词关注句子中所有其他词。这带来了两个巨大优势：①可以并行计算，训练速度大幅提升；②无论词与词之间距离多远，都能直接建立关联，彻底解决了长依赖问题。自注意力（Self-Attention）直观理解：对于句子"Thecatsatonthemat"，计算"sat"的表示时，模型会自动给"cat"（谁坐的？）和"mat"（坐在哪？）更高的注意力权重。Multi-HeadAttention（多头注意力）：多个"注意力头"同时从不同角度（语法角色/语义关系/位置关系等）关注输入，最后综合所有角度的信息。（2）迁移学习——"站在巨人肩膀上"核心思想：不再从零开始训练模型，而是利用已在大规模数据集上预训练好的模型（如ImageNet上的ResNet），将其知识"迁移"到自己的小数据集任务上。两种策略：①特征提取器——冻结预训练模型的卷积层，只重新训练最后的分类层；②微调（Fine-tuning）——在预训练模型基础上，用自己数据对整个网络进行小幅度调整。应用价值：普通学生不需要Google级别的算力，也能在自己的小项目中使用世界一流的深度学习模型。（3）国产深度学习框架发展框架开发方核心特色适合场景PaddlePaddle（飞桨）百度产业级、配套工具完善、中文社区活跃工业应用、教学入门、CV/NLPMindSpore（昇思）华为适配昇腾芯片、全场景AI、自动并行国产化部署、边缘计算、科研OneFlow一流科技分布式训练高效、静态图优化大规模分布式训练PyTorchMeta动态图、科研首选、生态最丰富学术研究、快速原型开发TensorFlowGoogle生产部署成熟、TFServing工业级部署3.归纳总结，布置课后作业(1)课堂小结：CNN（图像王者）→RNN/LSTM（序列专家）→Transformer（统一架构，成就大模型时代）→迁移学习（普惠工具）→国产框架（自主可控）。(2)课堂讨论："如果给你10万